Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
i
APLIKASI ANALISIS MULTIATRIBUT UNTUK MENDETEKSI PENYEBARAN ENDAPAN BATUPASIR TURBIDIT:
STUDI KASUS EKSPLORASI CEKUNGAN LAUT DALAM
Thesis
Disiapkan sebagai salah satu syarat untuk memperoleh gelar Magister Master Program Pascasarjana
Hary Setyabudi
6305210097
UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM PASCASARJANA ILMU FISIKA KEKHUSUSAN GEOFISIKA RESERVOAR
JAKARTA 2008
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
ii
Lembar Pengesahan
Judul : Aplikasi Analisis Multiatribut untuk Mendeteksi Penyebaran
Endapan Batupasir Turbidit : Studi Kasus Eksplorasi
Cekungan Laut Dalam
Penyusun : Hary Setyabudi
No. Mahasiswa : 6305210097
Telah disetujui oleh :
Prof.Dr. Suprajitno Munadi Pembimbing
Dr. Abdul Haris Dr. Charlie Wu Dr. Ukat Sukanta Penguji Penguji Penguji
UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM PASCASARJANA ILMU FISIKA KEKHUSUSAN GEOFISIKA RESERVOAR
Ketua Program PascaSarjana Ilmu Fisika,
Dr. Dedi Suyanto
NIP. 130 935 271
Tanggal Sidang: 27 Juni 2008
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
iii
Abstrak
Pemodelan reservoar batupasir cekungan laut dalam sering sulit
dilakukan karena kurangnya data sumur eksplorasi yang tersedia, dan
kualitas data seismik yang kurang baik. Data seismik yang ada seringkali
banyak mengandung noise dari multiple gelombang yang berasal dari kolom
air laut yang tebal, dan adanya pengaruh struktur bawah permukaan yang
sangat komplek akibat aktifnya proses tektonik didaerah penelitian. Oleh
karena diperlukan suatu metoda yang dapat digunakan untuk mendeteksi
penyebaran batupasir turbidit dan kualitas reservoarnya. Salah satu metoda
yang dapat digunakan dengan memanfaatkan terbatasnya data-data yang
ada adalah metoda analisis multivariate. Metoda ini memanfaatkan berbagai
jenis data seismik dan turunannya untuk memprediksi parameter petrofisika
batuan dengan memanfaatkan hubungan korelasi statistik antara data atribut-
atribut seismik dan data log sumur. Melalui kombinasi berbagai atribut
dengan parameter petrofisik log sumur dapat diperoleh operator hubungan
linier dan non-linier dari data-data tersebut. Operator korelasi yang paling
optimal akan diaplikasikan kedalam data seismik untuk memprediksi
parameter petrofisika batuan diseluruh wilayah penelitian.
Analisis korelasi geostatistik tersebut terdiri atas tiga buah metoda
analisis yaitu: analisis atribut tunggal (bivariate geostatistics), analisis regresi
linier multivariate, dan analisis Probabilistic Neural Network (PNN). Analisis
atribut tunggal dan regresi linier multivariate memanfaatkan hubungan linier
antar atribut dan parameter petrofisika log sumur, sedangkan PNN
memanfaatkan hubungan non-linier antar atribut dan parameter petrofisika
log sumur. Pada penelitian ini parameter yang petrofisika batuan yang dicari
adalah parameter Gamma Ray (GR) dan parameter porositas neutron.
Melalui parameter GR dapat digunakan untuk identifikasi litologi sehingga
dapat digunakan untuk mendeteksi distribusi channell batupasir dan kipas
turbiditnya. Sedangkan parameter porositas neutron dapat digunakan untuk
mendeteksi kualitas dari reservoar tersebut dan penyebarannya.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
iv
Abstract Deep water sandstone reservoir modeling is typically difficult, due to
limited well data and poor seismic data quality. Deep water seismic data is
often poor quality due to water bottom multiples, and the effects of complex
subsurface structure. Therefore, an analytical technique is required to
determine turbidite sandstone distribution and reservoir quality. One method
that can be used with limited data is multivariate analysis. This method uses
different attributes of seismic data to predict petrophysical rock parameters by
determining a statistical correlation between seismic attributes and well log
data. This correlation can be both linear and non linear. The method
determines the optimum correlation, which is applied to the seismic data to
predict petrophysical rock parameters for the study area.
Geostatistical correlation analysis consists of three analysis methods :
single attribute analysis (bivariate geostatistics), multivariate linear regression
analysis, and probabilistic neural network (PNN) analysis. Single attribute
analysis and multivariate linear regression analysis determine a linear
correlation between seismic attributes and well log petrophysical parameters.
PNN determines a non-linear correlation between seismic attributes and well
log petrophysical parameters. For this project, the petrophysical rock
parameters that we wish to calculate are Gamma Ray ,and neutron porosity.
The GR parameter is used for lithology identification, and is used to detect
sandstone channel and turbidite fan distribution. The Neutron porosity
parameter is used to detect reservoir quality and distribution.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
v
Kata Pengantar
Puji syukur ke hadirat Tuhan Yang Maha Esa atas berkat dan
rahmatnya yang telah membimbing penulis untuk menyelesaikan penelitian
ini. Pada kesempatan ini penulis ingin mengucapkan terima kasih atas
kontribusi perorangan dan perusahaan yang telah mendukung dan
mendorong penulis untuk menyelesaikan penulisan thesis ini.
1. Dr. Abdul Haris, yang telah mendorong dan mendukung penulis dalam
penulisan thesis ini, dan yang telah memberikan waktunya untuk
berdiskusi tentang penelitian ini.
2. Prof. Dr. Suprajitno Munadi, yang telah bersedia menjadi pembimbing
thesis ini, serta bersedia meluangkan waktunya meskipun dengan
kondisi kesehatan beliau yang kurang baik.
3. Dr. Charlie Wu, dan Dr. Ukat Sukanta, yang telah bersedia menjadi
penguji dalam sidang akhir thesis ini.
4. Dr. Dedi Suyanto, Ketua Program PascaSarjana Fisika, yang telah
bersedia menjadi chairperson dalam sidang akhir thesis ini.
5. Dr. Dennis Cooke, dan Bpk. Irwan Djamaludin, yang telah bersedia
meluangkan waktunya untuk mendiskusikan berbagai masalah yang
timbul selama penelitian dilakukan.
6. Neil Tupper selaku Manager Eksplorasi dan Presiden SANTOS
Indonesia yang telah memberikan ijin penggunaan data seismik dan
data sumur untuk penelitian ini.
7. PT. SANTOS Asia Pacific Pty., yang telah menyediakan fasilitas
perangkat lunak dan perangkat keras dalam pengolahan data
penelitian maupun penulisan thesis ini.
8. Mas Befriko yang telah mendorong semangat penulis untuk menyusun
thesis ini mulai dari awal, dan mau meluangkan waktunya untuk
berdiskusi serta membantu penyediaan data cadangan untuk
penelitian ini.
9. Anggota keluarga (mama, dan kakak serta kakak ipar saya), yang tidak
lelahnya selalu berdoa dan mendukung penulis baik pada saat
menemui berbagai masalah ataupun tidak.
10. Seluruh staff administrasi Jurusan Fisika Pascasarjana UI yang telah
sangat membantu dalam penyelesaian berbagai urusan administrasi
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
vi
yang berhubungan dengan perkuliahan maupun thesis.
11. Sidiq Ramada, Mbak Yarra, dan teman-teman Angkatan 2005 yang
telah memberikan perhatian dan dorongan agar penulis menyelesaikan
penulisan thesis ini.
12. Semua orang yang telah terlibat baik secara langsung maupun tidak
langsung dalam penyelesaian naskah thesis ini yang tidak dapat
disebutkan satu persatu.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
vii
Daftar Isi
Lembar Pengesahan ..................................................................................... ii
Abstrak .......................................................................................................... iii
Abstract .............................................................................................................. iv
Kata Pengantar .............................................................................................. v
Daftar Isi ........................................................................................................... vii
Daftar Gambar .............................................................................................. ix
Daftar Tabel ................................................................................................. xii
I. PENDAHULUAN ......................................................................................... 1
1.1 Latar Belakang ....................................................................................... 1 1.2 Permasalahan ....................................................................................... 2 1.3 Tujuan Penelitian ................................................................................... 2 1.4 Metodologi ........................................................................................... 3
1.4.1 Alur Kerja Seismik Inversi ............................................... 3 1.4.2 Alur Kerja Analisis Multivariate Multiatribut ..................... 4
1.5 Data, Informasi Geologi, dan Perangkat Lunak ....................................... 5 1.6 Sistematika Penulisan .............................................................................. 9
II. DASAR TEORI .......................................................................................... 10
2.1 Metoda Inversi Seismik ........................................................................... 10 2.2 Atribut Seismik dengan Transformasi Hilbert ......................................... 13 2.3 Geostatistik Multivariate (Regresi Linier Multivariate) .......................... 15 2.4 Metoda Regresi Step-Wise .................................................................. 17 2.5 Perhitungan Nilai Beban Atribut (Weight Attribute) ................................ 17 2.6 Metoda Probabilistic Neural Network (PNN) ....................................... 18
III. PENGOLAHAN DATA ............................................................................ 21
3.1 Seismogram Sintetik ............................................................................ 21 3.2 Seismik Inversi .................................................................................... 23
3.3 Analisis Parameter Petrofisik Log Sumur Terhadap Data Sumur ........ 26 3.4 Analisis Atribut Tunggal dan Multivariate (Regresi Linier Multivariate dan PNN) ......................................................................................................... 28
3.4.1 Perhitungan Parameter Gamma Ray (Identifikasi Litologi) .......... 28 3.4.1a Analisis Atribut Tunggal (Bivariate Geostatistic) ........ 28 3.4.1b Analisis Regresi Linier Multivariate ............................. 30 3.4.1c Analisis Probabilistic Neural Network (PNN) .............. 33
3.4.2 Perhitungan Parameter Porositas (Identifikasi Kualitas Reservoar)
............................................................................................................... 33
3.4.2a Analisis Atribut Tunggal (Bivariate Geostatistic) ........ 34 3.4.2b Analisis Regresi Linier Multivariate ............................. 36 3.4.2c Analisis Probabilistic Neural Network (PNN) .............. 38
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
viii
IV. HASIL DAN PEMBAHASAN .................................................................. 40
4.1 Hasil Perhitungan Parameter Gamma Ray (GR) .............................. 40 4.2 Hasil Perhitungan Parameter Porositas Neutron .............................. 43 4.3 Prospektifitas Reservoar Batupasir Turbidit ....................................... 47
V. KESIMPULAN DAN REKOMENDASI ...................................................... 49
5.1 Kesimpulan ....................................................................................................... 49 5.2 Rekomendasi ..................................................................................... 50
DAFTAR PUSTAKA ..................................................................................... 51
LAMPIRAN Regresi Linier Multivariate menggunakan Nilai Beban Konvolusi .......... 53
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
ix
Daftar Gambar
Gambar.1.1. Algoritma seismik inversi .......................................................... 4
Gambar.1.2. Prinsip analisis multivariate secara singkat ............................... 4
Gambar.1.3. Diagram alir analisis multivariate .............................................. 5
Gambar.1.4. Penampang seismik Xline yang menunjukkan kompleksitas
struktur ........................................................................................................... 7
Gambar.1.5. Horison pick (i) WB; (ii) KR60; (iii) KR100; (iv) KR120 .............. 8
Gambar.2.1. Proses Pemodelan Maju dan Seismik Inversi ......................... 11
Gambar.2.2. Jejak seismik komplek dalam koordinat kutub ....................... 14
Gambar.2.3. Sampel log target yang dimodelkan dengan kombinasi linier
sampel atribut pada waktu yang sama ......................................................... 15
Gambar.2.4. Proses metoda regressi step-wise ......................................... 17
Gambar.2.5. Kurva hasil prediksi yang dihasilkan melalui proses (i) Regresi
Linier Multivariate, dan (ii) PNN ................................................................... 20
Gambar.3.1. Seismogram sintetik tipe statistik ............................................ 21
Gambar.3.2. Frekuensi dominan data seismik (i) dan wavelet statistik (ii). . 22
Gambar.3.3. Seismogram sintetik tipe deterministik .................................... 22
Gambar.3.4. Frekuensi dominan data seismik (i) dan wavelet deterministik (ii).
...................................................................................................................... 23
Gambar.3.5. Model geologi berdasarkan data log 2 sumur dan 4 horison .. 24
Gambar.3.6. QC hasil seismik inversi Model Based dengan data log sumur
yang menunjukkan korelasi sangat bagus ................................................... 24
Gambar.3.7. Hasil seismik inversi Model based diposisi sumur .................. 25
Gambar.3.8. Parameter inversi Model Based yang digunakan .................... 25
Gambar.3.9. Trace komposit data-data seismik dan seismik inversi pada
posisi lokasi sumur ...................................................................................... 26
Gambar.3.10. Analisis parameter petrofisik data log sumur terhadap data
seismik dalam analisis window KR100-KR120: (i) log porositas vs data
seismik full-stack; (ii) log porositas vs data seismik near-offset; (iii) log
porositas vs data seismik far-offset; (iv) log porositas vs data seismik inversi
....................................................................................................................... 27
Gambar.3.11. Crossplot salah satu atribut tunggal terhadap nilai parameter
GR dalam jendela analisis ............................................................................ 30
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
x
Gambar.3.12. Hasil aplikasi nilai GR hasil prediksi atribut tunggal
dibandingkan dengan nilai GR log dilokasi sumur.. .................................... 30
Gambar.3.13. Analisis penentuan jumlah kombinasi atribut yang akan
digunakan. . ................................................................................................. 31
Gambar.3.14. Crossplot validasi nilai GR hasil prediksi terhadap nilai GR log
sumur ............................................................................................................ 32
Gambar.3.15. Hasil aplikasi nilai GR hasil prediksi multivariate regresi linier
dibandingkan dengan nilai GR log dilokasi sumur ....................................... 32
Gambar.3.16. Hasil aplikasi nilai GR hasil prediksi PNN dibandingkan dengan
nilai GR log dilokasi sumur ........................................................................... 33
Gambar.3.17. Crossplot salah satu atribut tunggal terhadap nilai parameter
porositas dalam jendela analisis ................................................................... 35
Gambar.3.18. Hasil aplikasi nilai porositas hasil prediksi atribut tunggal
dibandingkan dengan log porositas dilokasi sumur ...................................... 36
Gambar.3.19. Analisis penentuan jumlah kombinasi atribut yang akan
digunakan ..................................................................................................... 36
Gambar.3.20. Crossplot validasi nilai porositas hasil prediksi terhadap nilai
porositas dari log sumur .............................................................................. 37
Gambar.3.21. Hasil aplikasi nilai porositas hasil prediksi multivariate regresi
linier multivariate dibandingkan dengan log porositas dilokasi sumur ......... 38
Gambar.3.22. Hasil aplikasi nilai porositas hasil prediksi multivariate PNN
dibandingkan dengan log porositas dilokasi sumur…………………………. ...... 39
Gambar.4.1. Hasil analisis atribut tunggal pada penampang GR ................ 40
Gambar.4.2. Hasil analisis multivariate regresi linier multivariate pada
penampang GR ............................................................................................. 41
Gambar.4.3. Hasil analisis multivariate Probabilistik Neural Network (PNN)
pada penampang GR ................................................................................... 42
Gambar.4.4a. Penampang irisan horison KR100+30ms dari (i) Atribut tunggal,
dan (ii) Regresi Linier Multivariate ................................................................ 42
Gambar.4.4b. Penampang irisan horison KR100+30ms dari probabilistic
neural network (PNN) ................................................................................... 43
Gambar.4.5. Hasil analisis atribut tunggal pada penampang porositas ....... 44
Gambar.4.6. Hasil analisis multivariate regresi linier multivariate pada
penampang porositas ................................................................................... 45
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
xi
Gambar.4.7. Hasil analisis probabilistic neural network (PNN) pada
penampang porositas ................................................................................... 46
Gambar.4.8a. Penampang irisan horison KR100+30ms dari (i) atribut tunggal,
dan (ii) regresi linier multivariate ................................................................... 46
Gambar.4.8b. Penampang irisan horison KR100+30ms probabilistic neural
network (PNN) ............................................................................................... 47
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
xii
DAFTAR TABEL
Tabel 1.1. Data parameter petrofisik batupasir target berdasarkan bacaan dari
log sumur ....................................................................................................... 7
Tabel 1.2. Data top marker dan horison yang digunakan dalam penelitian : (i)
Sumur Api; (ii) Sumur Hiu-Aman ................................................................... 7
Tabel 3.1. Tabel korelasi statistik atribut tunggal terhadap parameter GR .. 29
Tabel 3.2. Tabel korelasi statistik multivariate regresi linier multivariate ..... 31
Tabel 3.3. Tabel korelasi statistik atribut tunggal terhadap parameter porositas
...................................................................................................................... 35
Tabel 3.4. Tabel korelasi statistik multivariate regresi linier multivariate ..... 37
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
1
I. PENDAHULUAN
1.1 Latar Belakang
Perkembangan industri minyak dan gas di Indonesia sedang pada puncaknya, karena
harga minyak dunia yang sangat tinggi dan permintaan akan kebutuhan minyak dan gas semakin
meningkat. Sedangkan produksi minyak dan gas semakin menurun, dan penemuan ladang
minyak dan gas baru semakin sulit ditemukan. Demikian juga dengan biaya operasional
pengeboran suatu prospek yang semakin mahal maka dalam penentuan suatu prospek dituntut
semakin teliti dan detil. Banyak prospek hidrokarbon di Indonesia yang telah ditemukan dan
dieksplorasi serta dieksploitasi pada cekungan laut dangkal, sehingga prospek hidrokarbon laut
dangkal yang tersisa sudah sangat sulit ditemukan. Oleh karena itu tren eksplorasi hidrokarbon
beralih kearah cekungan laut dalam yang mempunyai resiko jauh lebih besar dan berbiaya sangat
besar. Reservoar laut dalam didominasi oleh endapan kipas turbidit (turbidite fan) yang luas
penyebarannya dan mempunyai ketebalan yang relatif tipis. Endapan turbidit adalah endapan
yang diendapkan oleh arus turbidit. Arus turbidit akan mencampur sedimen dan air yang
mempunyai berat jenis yang lebih rendah dibandingkan aliran debris, dan yang bergerak kebawah
dari suatu lereng karena pengaruh gaya gravitasi (Nichols, 1999). Karakteristik internal endapan
turbidit mempunyai tekstur dan struktur sedimen yang dinamakan Bouma sequence (Bouma,
1962). Posisi endapan yang semakin mendekati shelf maka proses tektonik yang terjadi didaerah
tersebut akan sangat aktif sehingga akan terbentuk struktur yang komplek seperti struktur thrust
fault dan toe-thrust. Sesar yang terjadi didominasi oleh sesar balik atau thrust fault. Hal ini
menyebabkan kualitas seismik didaerah tersebut menjadi kurang baik dan akan sulit untuk
mengidentifikasi channel batu pasir.
Integrasi log sumur dengan data seismik telah dilakukan dengan berbagai metoda, salah
satunya adalah melalui seismik inversi (Lindseth, 1979; Cooke dan Schneider, 1983; dan
Oldenburg dkk., 1983). Selain seismik inversi terdapat metoda lain yang lebih lanjut yaitu
memprediksi properti fisika sumur log dari data seismik. Metoda ini pertama-tama akan
memprediksi secara langsung properti log seperti porositas. Hal ini berbeda dengan metoda
seismik inversi yang memodelkan porositas dari impedansi hasil inversi (Anderson, 1996).
Selanjutnya akan digunakan atribut-atribut yang berasal dari data seismik baik dari data post-
stack maupun pre-stack yang mempunyai hubungan non-linier. Akhirnya akan dilakukan
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
2
hubungan statistik antara data log sumur dan data seismik dengan menganalisis sejumlah data
(training data) pada lokasi sumur. Hubungan statistik ini mempunyai hubungan linier (regresi
linier multivariate) atau non-linier (neural network) yang akan digunakan untuk mencari suatu
operator untuk memprediksi properti log sumur diluar lokasi sumur itu sendiri sehingga akan
diperoleh volum properti log sumur untuk seluruh data seismik. Melalui volum properti log
sumur tersebut akan dapat diperoleh penyebaran distribusi properti fisika batuan secara lateral
dan vertikal.
Apabila hanya digunakan seismik atribut tunggal saja kadangkala sulit untuk melihat
penyebaran batu pasirnya atau mengidentifikasi channel batu pasir. Melalui metoda analisis
multivariate diharapkan akan dapat diperoleh resolusi lateral yang lebih baik dalam
mengidentifikasi penyebaran batu pasir atau mengidentifikasi bentuk posisi channel batu pasir.
1.2 Permasalahan
Daerah target penelitian adalah laut dalam dimana kedalaman airnya berkisar antara
1500m-2000m, sehingga diperoleh kualitas seismik yang didominasi oleh multiple dari kolom
air. Hal ini akan mempengaruh kualitas dari data seismik yang diperoleh. Lokasi reservoar yang
berada dicekungan laut dalam dan telah mengalami banyak proses kompresi tektonik sehingga
struktur geologinya sangat komplek, sehingga timbul permasalahan sebagai berikut :
a. Bagaimana memperoleh atribut seismik yang dapat digunakan untuk mengidentifikasi
penyebaran batu pasir atau mengidentifikasi channel batupasir?
b. Bagaimana memanfaatkan data sumur yang terbatas (hanya memiliki 2 sumur) untuk
menganalisa data seismik yang ada?
c. Bagaimana cara pemodelan parameter fisika batuan diluar lokasi sumur melalui metoda
statistik?
d. Bagaimana meningkatkan resolusi irisan atribut seismik sehingga dapat digunakan untuk
mengidentifikasi penyebaran batupasir?
1.3 Tujuan Penelitian
Memprediksi daerah penyebaran batupasir adalah sangat penting untuk mengetahui batas
penyebaran reservoar klastik dan untuk memahami proses pengendapannya. Akan tetapi pada
daerah penelitian, data sumur yang tersedia sangat terbatas dan letaknya saling berjauhan,
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
3
sehingga terlalu kasar bila digunakan untuk memprediksi penyebaran reservoar secara lateral.
Sebaliknya melalui seismik 3D dapat diketahui penyebaran lateralnya, akan tetapi resolusi
seismik sangat rendah dibandingkan dengan log sumur sehingga terlalu sulit untuk mendeteksi
reservoar secara vertikal. Oleh karena itu bila hanya melalui atribut seismik tunggal akan sulit
digunakan untuk mendeteksi penyebaran reservoar.
Melalui hubungan statistik (regresi linier multivariate) antara atribut-atribut seismik dan
data log sumur akan dapat digunakan untuk menentukan penyebaran properti fisika batuan kearah
horisontal dan vertikal dengan lebih baik.
Obyektif dari penelitian ini adalah memperoleh model penyebaran batupasir untuk daerah
eksplorasi cekungan laut dalam melalui integrasi analisis antara data sumur dan data atribut-
atribut seismik untuk memprediksi parameter fisika reservoar.
1.4 Metodologi
Metodologi penelitian ini secara garis besar terdiri dari dua buah proses yaitu proses
pembuatan seismik inversi yang nantinya akan digunakan sebagai masukan dalam proses
selanjutnya, dan proses analisis multivariate. Alur kerja keduanya dapat dijabarkan sebagai
berikut :
1.4.1 Alur Kerja Seismik Inversi
Algoritma alur kerja (Gambar.1.1) yang pertama adalah pembuatan seismik inversi
hingga diperoleh impedansi akustik dari seismik data (Mukerji dkk., 1998). Impedansi akustik
yang dihasilkan dapat dianggap sebagai versi diperhalus dari impedansi akustik yang dihasilkan
dari log sumur pada lokasi tertentu dalam seismik data.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
4
Gambar.1.1 Algoritma seismik inversi
1.4.2 Alur Kerja Analisis Multivariate Multiatribut
Pemodelan reservoar batupasir turbidit secara detil dapat dilakukan melalui metoda
analisa multivariate dengan mengintegrasikan data atribut seismik, data log sumur, dan informasi
geologi. Untuk memperoleh pemodelan reservoar tersebut secara detil diperlukan karakterisasi
masing-masing atribut dengan properti fisika batuan dan hubungan statistiknya dengan data log
sumur (Gambar.1.2).
Gambar.1.2 Prinsip analisis multivariate secara singkat
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
5
Proses analisis multivariate dapat digambarkan dalam diagram alir dibawah (Gambar.1.3).
Keterangan lebih detail dari proses tersebut akan dibahas dalam bab aplikasi geostatistik.
Gambar.1.3 Diagram alir analisis multivariate
1.5 Data, Informasi Geologi dan Perangkat Lunak
Data-data yang digunakan dalam penelitian ini meliputi data-data seismik, data-data log
sumur, data horison-horison penting, dan informasi geologi. Data-data seismik yang digunakan
adalah data seismik 3D dengan kualitas S/N ratio yang cukup tinggi dan memiliki dominan
frekuensi sekitar 25 Hz. Data seismik tersebut terdiri atas tiga jenis data seismik yaitu data
seismik full-stack, data seismik near-angle stack (60-190), dan data seismik far-angle stack (320-
Data Log Sumur
Properti Log
Analisis Statistik
Pelatihan Data Sampel
Operator Korelasi
Data Seismik
Volum Parameter Petrofisik
Penampang dan Peta Irisan
Optimal
Data-data Seismik
Atribut 1, 2, ..N
Ya
Tidak
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
6
450). Alasan mengapa digunakan data angle stack karena terdapat anomali AVO pada batupasir
daerah penelitian, sehingga pada seismik near-angle dan far-angle terdapat perbedaan nilai
amplitudo yang cukup signifikan. Melalui anomali tersebut diharapkan melalui analasis
multivariate dapat diperoleh hasil yang lebih baik.
Data sumur yang digunakan adalah dua sumur eksplorasi yaitu Hiu-Aman dan Api.
Sumur Hiu-Aman merupakan sumur discovery dimana ditemukan gas pada kedalaman sekitar
3700m, tetapi ketebalan gas pay-nya hanya sekitar 8m dan mempunyai ketebalan batupasir
sekitar 25m dengan ketebalan sekitar 17m adalah batupasir berisi air. Sedangkan sumur Api
adalah sumur dry-hole, dimana tidak ditemukan batupasir pada kedalaman yang sama, tetapi
mengandung batupasir dikedalaman yang lebih dangkal. Fokus penelitian ini adalah untuk
menganalisis reservoar batupasir pada kedalaman yang sama dengan batupasir yang ditemukan
pada sumur Hiu-Aman. Reservoar batupasir tersebut merupakan reservoar turbidit yang
diendapkan pada cekungan laut dalam. Hal ini dapat diketahui melalui posisinya yang berada
pada kedalaman air sekitar 1500m hingga 2000m dibawah muka air laut, dan pada saat
diendapkan lingkungan pengendapannya adalah lingkungan laut dalam (bathyal). Karakteristik
pengendapan dilaut dalam adalah kipas turbidit dan meandering channel. Kipas turbidit memiliki
ciri-ciri ketebalann batupasirnya relatif tipis dan penyebarannya sangat luas serta seringkali
didominasi oleh batulempung. Melalui mouthbar channel diharapkan akan diperoleh ketebalan
batupasir yang signifikan melalui multiple stacking channel. Oleh karena itu melalui penelitian
ini diharapkan akan diperoleh gambaran penyebaran channel batupasir atau posisi kipas
turbiditnya. Salah satu kendala yang menyebabkan para explorasionis kesulitan dalam
mengidentifikasi channel atau kipas turbidit dicekungan laut dalam adalah struktur geologi
daerah laut dalam biasanya sangat kompleks. Proses tektonik yang terjadi didaerah penelitian
sangat aktif sehingga banyak didominasi oleh sesar-sesar thrust yang besar sehingga membentuk
struktur toe-thrust. Hal ini akan menyebabkan data seismik yang ada terpengaruh oleh sesar
tersebut sehingga kualitas data seismik disekitar sesar akan sangat jelek (Gambar.1.4). Disamping
posisinya yang terletak dicekungan laut dalam sehingga efek multipel dari gelombang pantul
seismik akan membentuk noise didalam data seismik. Tetapi melalui reprocessing data seismik
diharapkan efek dari multipel tersebut telah diminimalisasikan. Data log sumur yang digunakan
adalah semua data log sumur seperti GR (Gamma Ray), log densitas (RHOB), log resistivity
(LDI), data sonic (DT), dan data log lainnya, serta data checkshot sumur untuk menkorelasikan
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
7
data sumur dengan data seismik. Berdasarkan log sumur dapat diperoleh berbagai parameter
petrofisik dari batupasir target yang akan dianalisis (Tabel 1.1).
Parameter Petrofisik Sand KR100 Gamma Ray (API) 26-55Densitas (g/cc) 2.18-2.227Porositas Neutron (%) 0.17-0.258Gelombang P (us/ft) 95.7-103.5
Tabel 1.1 Data parameter petrofisik batupasir target berdasarkan bacaan dari log sumur
Terdapat empat buat top marker yang digunakan sebagai acuan dalam mem-pick horison
(Tabel 1.2). Hanya dua horison (WB dan KR60) yang dapat diinterpretasi seluas data seismik
surveinya (Gambar.1.5), sedangkan dua horison lainnya (KR100 dan KR120) hanya diinterpretasi
terbatas diblok toe-thrust karena kompleksitas strukturnya. Oleh karena itu daerah survei
analisisnya hanya terbatas pada daerah blok toe-thrust (Gambar.1.5).
Top Marker Kedalaman (m) Top Marker Kedalaman (m) WB 1688 WB 1664KR60 2532 KR60 2410KR100 2827 KR100 3331KR120 3369 KR120 3750
(i) (ii)
Tabel.1.2 Data top marker dan horison yang digunakan dalam penelitian : (i) Sumur Api; (ii) Sumur Hiu-Aman
Gambar.1.4 Penampang seismik Xline yang menunjukkan kompleksitas struktur
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
8
(i) (ii)
(iii) (iv)
Gambar.1.5 Horison pick (i) WB; (ii) KR60; (iii) KR100; (iv) KR120
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
9
Penelitian ini menggunakan perangkat lunak IESX Geoframe, dan modul-modul Hampson
Russell. IESX digunakan untuk interpretasi data seismik, dan ekspor berbagai data seismik,
horison, data sumur, dan checkshot tiap sumur. Modul-modul Hampson Russell yang digunakan
adalah Geoview, eLog, STRATA, dan EMERGE. Geoview digunakan untuk database semua data
sumur baik data log sumur, checkshot, top marker, dan horison. eLog digunakan untuk
pembuatan seismogram sintetik yang mengikatkan data sumur dengan data seismik, sehingga
posisi sumur berada pada kedalaman yang benar pada data seismik. STRATA digunakan untuk
proses inversi seismik sehingga diperoleh volum impedansi akustik. EMERGE digunakan untuk
menganalisis secara statistik multivariate yang berasal dari data-data seismik, data inversi dan
data log sumur untuk memperoleh properti fisika batuan yang berada diluar posisi sumur.
1.6 Sistematika Penulisan
Sistematika penulisan thesis ini berusaha mengulas secara komprehensif hingga
pembahasan hasil dari hipotesa sebelumnya. Bab.1 membahas tentang latar belakang penelitian
ini, tentang permasalahan yang timbul yang perlu dipecahkan melalui penelitian ini, dan tujuan
penelitian ini. Serta penjelasan secara singkat tentang informasi geologi regional daerah
penelitian, sistematika, dan cara kerja analisis yang dilakukan dalam penelitian serta data, dan
perangkat lunak yang digunakan. Bab.2 akan membahas tentang dasar teori yang melandasi
berbagai metode yang akan dimanfaatkan dalam pemecahan masalah penelitian ini, sebagian
besar membahas tentang teori statistik yang digunakan. Bab.3 membahas tentang aplikasi
geostatistik dan hasil dari tiap analisis geostatistik yang dilakukan. Bab 4 menjabarkan tentang
hasil yang diperoleh dari berbagai metoda analisis dan pembahasan tentang hasil tersebut dalam
pemecahan masalah. Akhirnya Bab.5 tentang kesimpulan dari seluruh penelitian ini dan
rekomendasi langkah selanjutnya yang mungkin untuk dilakukan dalam pengembangan
penelitian ini.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
10
II. TEORI DASAR
2.1 Metoda Inversi Seismik
Inversi seismik adalah suatu teknik untuk membuat model geologi bawah permukaan dengan
menggunakan data seismik sebagai masukan dan data sumur sebagai kontrol (Sukmono, 2002).
Rekaman seismik pada dasarnya merupakan hasil konvolusi antara koefisien refleksi dengan
wavelet yang sering disebut sebagai pemodelan maju (Gambar.2.1). Sedangkan pemodelan
inversi merupakan proses dekonvolusi antara seismik dengan wavelet yang menghasilkan
koefisien refleksi (Gambar.2.1). Penampang impedansi akustik akan memberikan gambaran
bawah permukaan secara lebih detail bila dibandingkan dengan penampang seismik
konvensional, koefisien refleksi pada penampang konvensional menggambarkan batas lapisan
sedangkan impedansi akustik akan menggambarkan lapisan itu sendiri. Jejak seismik merupakan
konvolusi antara koefisien refleksi dengan wavelet seperti ditunjukkan pada persamaan berikut
ini
S(t) = KR(t) * W(t) + noise (1)
S(t) = jejak seismik,
KR(t) = koefisien refleksi,
W(t) = seismik wavelet.
* = proses konvolusi
ii
iii II
IIR
+−
=+
+
1
1 (2)
R = Reflektifitas I = Impedansi akustik = ρVp
Koefisien refleksi yang didapat dari bumi ini bersifat tidak terbatas, sedangkan wavelet seismik
memiliki batas tertentu, dengan demikian pada saat kedua besaran tersebut dikonvolusikan maka
akan menghasilkan jejak seismik yang terbatas pula. Dengan demikian ada jangkauan frekuensi
rendah dan tinggi yang hilang. Pada saat akan melakukan inversi harus dilakukan pemulihan
terhadap frekuensi yang hilang tadi, karena apabila tidak dilakukan akan mengakibatkan nilai
impedansi akustik yang dihasilkan tidak benar, selain itu resolusi dan model yang dihasilkan juga
menjadi tidak benar.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
11
Gambar 2.1. Proses Pemodelan Maju dan Seismik Inversi
Jenis Metoda Inversi
Ada beberapa jenis metoda inversi seismik yang sampai saat ini dikenal, diantaranya adalah
metoda rekursif, metoda model based, dan metoda sparse-spike (Sukmono, 2002).
a. Inversi Rekursif
Dasar perumusan dalam proses inversi ini mengasumsikan bahwa data seismik sama
dengan model.
Ii+1 = Ii(1+Ri)/(1-Ri) (3)
Metoda ini disebut juga inversi bandlimited karena seismik melakukan inversi dengan
menggunakan data seismik sendiri. Jadi hasil impedansi mempunyai jangkauan frekuensi yang
sama dengan seismik. Kelemahan pada metoda ini adalah tidak adanya kontrol geologi dan
wavelet yang digunakan diasumsikan berfasa nol, jadi hampir sama dengan pemodelan maju dan
secara lateral hasil impedansinya tidak bagus.
Selain itu metoda ini juga mengabaikan efek dari wavelet dan memperlakukan jejak seismik
sebagai urutan reflektivitas yang terfilter oleh wavelet fasa nol. Persamaan inversi rekursif ini
mengasumsikan bahwa nilai reflektivitas adalah benar, sehingga noise yang ada akan
soThe Making of Seismic
Section
Seismic Inversion Process
Seismic Inversion For Reservoir
Characterization
RC (earth layers) * Wavelet = Seismic Section
EARTH
AI
Seismic Section / Wavelet = AI
AI
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
12
diinterpretasikan sebagai reflektivitas, mengakibatkan efek kesalahan yang terakumulasi dari atas
sampai bawah.
b. Inversi Model Based
Pada metoda ini proses inversi tergantung pada model yang digunakan. Fungsi
matematika untuk melakukan inversi model based adalah:
J = w1 x (T-W*R) + w2 x (M-H*R) (4)
Dimana : T = jejak seismik, W = wavelet, R = reflektivitas
M = model impedansi, H = operator, w = faktor penyeimbang.
Proses yang dilakukan adalah dengan membuat blok-blok dari model dengan merata-ratakan
harga impedansi sepanjang lapisan. Pembuatan blok ini dapat dipiih sesuai dengan interval
sampel. Kemudian merubah harga impedansi ke dalam reflektivitas dan dikonvolusikan dengan
wavelet untuk menghasilkan jejak seismik sintetik. Seterusnya dilanjutkan dengan mengurangkan
jejak seismik sebenarnya dengan jejak seismik sintetik berulang-ulang sampai diperoleh
kesalahan terkecil. Ada dua kelemahan dalam metoda inversi model based ini, yaitu: sensitifitas
wavelet (sangat bergantung pada wavelet yang digunakan), dan solusinya tidak unik (dengan
wavelet yang berbeda dapat menghasilkan jejak seismik yang sama)
c. Inversi Sparse-spike
Inversi ini mengasumsikan model reflektivitas yang sesungguhnya dan membuat wavelet
berdasarkan model geologinya. Keuntungan dari metoda ini adalah dapat memperoleh estimasi
reflektifitas yang memiliki jangkauan frekuensi penuh. Metoda sparse spike mengasumsikan
hanya spike besar saja yang penting. Spike-spike akan disusun ulang dengan cara menambahkan
spike satu demi satu sampai didapatkan jejak model yang akurat. Parameter yang digunakan sama
dengan parameter model-based. Parameter yang terpenting untuk ditambahkan adalah penentuan
banyaknya spike dan treshold dari spike. Setiap spike yang baru ditambahkan, jejak seismik akan
dimodelkan lebih akurat karena wavelet-nya berubah pula.
Dalam penelitian ini akan dicoba menggunakan semua metoda inversi yang telah disebutkan
diatas. Melalui hasilnya akan dibandingkan, hasil inversi mana yang memberikan hasil yang
terbaik baik dalam segi resolusi maupun kualitas inversinya. Pada umumnya digunakan metoda
inversi sparse spike sebagai acuan karena metoda ini menghasilkan resolusi baik vertikal maupun
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
13
horisontal yang paling tinggi, dan telah dikontrol oleh faktor geologinya. Tetapi dalam
pengkarakterisasian lithofacies di dalam karbonat reef, metoda inversi sparse spike masih belum
cukup untuk mengenalinya, sehingga melalui metoda inversi geostatistik diharapkan akan
menghasilkan hasil inversi yang lebih tinggi resolusinya.
2.2 Atribut Seismik dengan Transformasi Hilbert Dalam pembahasan atribut seismik tidak terlepas dari transformasi Hilbert. Transformasi
Hilbert menggambarkan jejak seismik sebagai jejak komplek yang merupakan dasar persamaan
dalam menurunkan jejak seismik menjadi parameter atribut seismik. Jejak seismik merupakan
deret sampel dengan dengan interval waktu tertentu yang mempunyai pergeseran fasa sebesar -
900 didalam deret waktu. Penerapan transformasi Hilbert dapat dilakukan pada domain waktu
yaitu dengan menkonvolusikan dengan quadrature filter atau pada domain frekuensi dengan
menambah pergeseran fasa sebesar -900 pada spektrum fasanya. Transformasi Hilbert dapat
dianggap sebagai bagian imajiner dari jejak seismik dimana jejak seismik itu sendiri sebagai
bagian real-nya, dapat dituliskan:
ttt jhsC += (5)
dimana Ct : jejak seismik komplek
st : jejak seismik pada waktu t
ht : transformasi hilbert dari st
j : 1−
Persamaan (1) dapat pula ditulis Ct = (st, ht) dengan st dalam koordinat sumbu real, dan ht dalam
koordinat sumbu imajiner.
Penggambaran jejak seismik dapat dinyatakan dalam koordinat kutub, dimana jejak seismik
komplek merupakan vektor terotasi, dengan panjang dan sudut tertentu (Gambar.2.2). Secara
fisis, panjang vektor jejak seismik komplek sama dengan amplitudo jejak seismik, dan sudutnya
merupakan fasa instantaneous jejak seismik.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
14
Gambar. 2.2 Jejak seismik komplek dalam koordinat kutub
Oleh karena itu dapat dihitung :
(6)
yang merupakan persamaan amplitude envelope dan
(7)
yang merupakan persamaan instantaneous phase.
Apabila koordinat kutub tersebut dirubah menjadi koordinat biasa maka persamaan jejak seismik
akan menjadi :
(8)
Yang berarti bahwa jejak seismik merupakan hasil perkalian antara cosine instantaneous phase
dengan amplitude envelope, dan transformasi Hilbert jejak seismik sebagai sinus instantaneous
phase dengan amplitude envelope.
Maka dapat dihitung instantaneous frequency yang merupakan turunan pertama dari
instantaneous phase terhadap waktu yaitu :
(9)
Dari persamaan diatas dapat pula dihitung turunan pertama dan keduanya yang merupakan atribut
seismik turunan.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
15
2.3 Geostatistik Multivariate (Regresi Linier Multivariate)
Proses paling sederhana yang menyatakan hubungan antara data sumur dan atribut seismik adalah
crossplot antara keduanya. Dengan asumsi hubungan linier antara log target dan atribut
dinyatakan oleh regressi garis lurus (10).
y = a + bx (10)
Koefisien a dan b dalam persamaan diatas diperoleh melalui error terkecil dari prediksi kwadrat
rata-rata (mean squared prediction error):
( )2
1
2 1 ∑=
−−=N
iii bxay
NE (11)
dimana N : jumlah titik pada crossplot
E : perkiraan error
Persamaan diatas hanya berlaku pada crossplot atribut tunggal yang merupakan analisa linier
konvensional.
Pengembangan analisa linier untuk multipel atribut adalah regresi linier multivariate
(Tabachnick, dan Fidell, 1989). Asumsikan terdapat N atribut (Gambar.2.3), pada tiap sampel
waktu yang sama, log target dimodelkan melalui persamaan linier :
Gambar.2.3 Sampel log target yang dimodelkan dengan kombinasi linier sampel atribut pada waktu yang sama
( ) ( ) ( ) ( ) ( )tAwtAwtAwtAwwtL MN.....3322110 ++++= (12)
dimana L(t) : atribut log sebagai fungsi waktu t
w : nilai bobot tiap atribut
t : sampel waktu
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
16
A : nilai atribut seismik jenis 1, 2, 3, … M pada sampel waktu t
N : jumlah sampel
M : jumlah jenis atribut
Dalam bentuk matrik adalah :
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
NMNNNN
M
M
N w
ww
AAAA
AAAAAAAA
L
LL
:..1
::::::..1..1
:1
0
321
2322212
1312111
2
1
(13)
Prediksi error terkecil kwadrat rata-ratanya (mean-squared prediction error) dinyatakan oleh :
(14)
atau dalam bentuk matrik adalah :
(15)
Melalui regresi multivariate diatas akan dapat dihitung nilai beban tunggal dari tiap atribut, tetapi
terdapat masalah perbedaan kandungan frekuensi antara data seismik dan data sumur. Data sumur
mempunyai kandungan frekuensi yang jauh lebih tinggi dibandingkan data sumur, maka dalam
menkorelasikan antara data sumur dan data seismik akan dihasilkan hasil yang tidak optimal.
Oleh sebab itu setiap sampel dari data sumur perlu dikorelasikan dengan sejumlah kelompok
sampel dari titik-titik atribut seismik yang berdekatan melalui hubungan konvolusi.
Persamaan (12), dan (14) akan berubah menjadi :
( ) ( ) ( ) ( ) ( )tAwtAwtAwtAwwtL MN ∗+∗+∗+∗+= .....3322110 (16)
dan
( )2
122110
2 ....1 ∑=
∗+∗+∗+−=N
iNNiii AwAwAwwL
NE (17)
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
17
dengan * : operator konvolusi
2.4 Metoda Regresi Step-Wise
Dalam pemilihan jumlah kombinasi atribut seismik yang paling optimal untuk menentukan
parameter reservoar daerah prospek digunakan metoda yang dinamakan metoda regresi step-wise
(Draper dan Smith, 1996). Metoda ini pertama-tama mensortir sejumlah atribut tunggal yang
mempunyai error hasil prediksi terkecil atau hasil korelasi terbaik dengan data log sumur hingga
error terbesar atau hasil korelasi terendah, kemudian atribut ganda yang mempunyai error hasil
prediksi terkecil juga, demikian juga dengan atribut triplet, dan seterusnya (Gambar.2.4).
Gambar.2.4 Proses metoda regressi step-wise
2.5 Perhitungan Nilai Beban Attribute (Weight Attributes)
Proses ini disebut proses “pelatihan” data, dengan sejumlah M attribut dan sejumlah nilai N dari
data sumur akan mempunyai jumlah minimum variabel bebas yang telah ditentukan untuk
membentuk suatu sistem adalah DF = M – N – 1 . Maka persamaan (12) dapat dituliskan kembali
:
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
18
atau : wAb = dimana
(18)
Maka nilai least square-nya adalah :
(19)
dimana wopt = vektor nilai beban yang optimum
λ = pre-whitening dengan I merupakan matrik identitas dari variabel M+1
Prediksi error dari standar deviasi pada sampel sumur dapat dinyatakan dengan :
(20)
2.6 Metoda Probabilistic Neural Network (PNN)
Metoda Probabilistic Neural Network (PNN) adalah interpolasi matematika yang menggunakan
neural network sebagai implementasinya (Masters, 1994, 1995; Specht, 1990, 1991). Metoda
sebelumnya menggunakan persamaan linier optimasi, sedangkan melalui metoda neural network
dapat dilakukan optimasi persamaan non-linier. Data yang digunakan PNN terdiri atas deret
sampel pelatihan dari tiap sampel seismik dalam jangkauan analisis dalam log sumur :
{A11, A21, A31, L1} {A12, A22, A32, L2} {A13, A23, A33, L3} . . . {A1n, A2n, A3n, Ln},
dengan n adalah jumlah sampel pelatihan dan terdiri dari tiga atribut, sedangkan L adalah nilai
target log terukur dari tiap sampel. PNN mengasumsikan tiap nilai log keluaran baru dapat ditulis
sebagai kombinasi linier dari nilai-nilai log dalam data pelatihan. Jadi untuk data sampel baru
dengan nilai atributnya dapat dituliskan :
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
19
X ={A1j, A2j, A3j},
Maka nilai log yang dihasilkan dapat diperkirakan melalui :
( )( )( )
( )( )∑
∑
=
=∧
−
−= n
ii
n
iii
xxD
xxDLxL
1
1
,exp
,exp dengan ( ) ∑
=⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
3
1.
j j
ijji
xxxxD
σ (21)
Kuantitas D(x,xi) adalah jarak antara titik sampel masukan dan tiap titik pelatihan xi. Jarak ini
diukur dalam ruang multidimensi yang sesuai dengan jumlah atribut yang digunakan dan
diskalakan dengan kuantitas jσ yang mungkin nilainya berlainan untuk tiap macam atribut.
Pelatihan jaringan meliputi penentuan parameter smoothing jσ yang optimal yaitu dengan
menghasilkan error validasi yang paling kecil. Hasil validasi untuk sampel target ke-m adalah :
( )( )( )
( )( )∑
∑
≠
≠∧
−
−= n
miim
miimi
mm
xxD
xxDLxL
,exp
,exp (22)
Ini merupakan nilai hasil prediksi sampel target ke-m ketika sampel tersebut tidak digunakan
dalam data pelatihan. Jika diketahui nilai sampel tersebut, maka dapat dihitung error hasil
prediksi untuk sampel tersebut. Perulangan proses ini untuk tiap sampel pelatihan dapat
menghasilkan total error hasil prediksi data pelatihan, dinyatakan sebagai :
( )2
1321 ,, ∑
=
∧
⎟⎠⎞
⎜⎝⎛ −=
N
iiiv LLE σσσ (23)
Kuantitas ini diminimalisasi menggunakan algoritma gradien konjugat non-linier yang
dideskripsikan oleh Masters (1995). Proses PNN pada data crossplot sederhana ditunjukan pada
Gambar.2.5. Kelemahan metoda ini adalah karena menganalisa semua data pelatihan dan
membandingkannya dengan tiap sampel yang dihasilkan dengan data sampel pelatihan maka
waktu prosesnya akan memakan waktu cukup lama.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
20
(i) (ii)
Gambar.2.5 Kurva hasil prediksi yang dihasilkan melalui proses (i) Regresi Linier Multivariate, dan (ii)
PNN
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
21
III. PENGOLAHAN DATA
3.1 Seismogram Sintetik
Sebelum melakukan analisis multivariate dibutuhkan analisis seismogram sintetik, yang
bertujuan agar data log sumur dapat dikorelasikan dengan data seismik. Data log sumur diproses
dalam domain kedalaman, sedangkan data seismik diproses dalam domain waktu. Oleh karena itu
diperlukan proses pengikatan data log sumur terhadap data seismik. Proses tersebut disebut
dengan seismogram sintetik. Dalam pembuatan seismogram sintetik diperlukan data check-shot
sebagai acuan awal dalam pengikatan data log sumur dengan data seismik. Setelah check-shot
diaplikasikan maka proses pembuatan seismogram sintetik dapat dilakukan. Proses tersebut
terbagi menjadi dua bagian yaitu secara statistik (Gambar.3.1) dan secara deterministik
(Gambar.3.3). Proses secara statistik adalah proses yang memanfaatkan data seismik saja tanpa
menggunakan data sumur untuk men-ekstrak wavelet secara statistik yang akan digunakan untuk
pembuatan seismogram sintetik. Wavelet yang terbentuk dari data seismik mengandung informasi
data seismik yang digunakan, informasi tersebut adalah frekuensi dominan data seismik pada
jendela analisis, dan lebar pita jangkauan frekuensi yang terkandung pada data seismik.
Gambar.3.1 Seismogram sintetik tipe statistik
Seperti pada Gambar.3.2 terlihat bahwa frekuensi dominan data seismik yang digunakan adalah
25 Hz, dan jangkauan frekuensinya hingga 70 Hz. Pengikatan seismogram sintetik dengan data
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
22
seismik terlihat cukup baik korelasinya yaitu 88% (Gambar.3.1). Hal ini menunjukkan bahwa
posisi sumur pada data seismik telah berada pada posisi seharusnya.
(i) (ii)
Gambar.3.2 Frekuensi dominan data seismik (i) dan wavelet statistik (ii)
Proses secara deterministik adalah proses yang melibatkan data log sumur dalam men-ekstrak
wavelet yang akan digunakan untuk pembuatan seismogram sintetik. Wavelet yang terbentuk
telah dipengaruhi oleh data log sumur dan jendela analisis yang ditentukan. Bila data seismik
yang digunakan berfasa nol maka wavelet yang terekstrak harus berfasa nol (Gambar.3.3).
Gambar.3.3 Seismogram sintetik deterministik
Dari kandungan frekuensinya terlihat meningkat (frekuensi dominannya menjadi 30 Hz)
dibandingkan dengan kandungan frekuensi dari data seismik (Gambar.3.4). Hal ini sudah
sewajarnya karena dalam pembuatan wavelet-nya dipergunakan data log sumur yang memiliki
frekuensi jauh lebih tinggi dibandingkan data seismik.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
23
(i) (ii)
Gambar.3.4 Kandungan frekuensi data sumur-data seismik (i) dan wavelet deterministik (ii)
Korelasi antara seismogram sintetik deterministik dengan data sumur terlihat sangat baik dengan
nilai korelasinya mencapai 93% (Gambar.3.3).
3.2 Seismik Inversi
Proses selanjutnya dalam penyediaan data untuk analisis multivariate adalah pembuatan
volum impedansi akustik dari seismik inversi. Hal ini diperlukan karena impedansi akustik
biasanya cukup baik untuk mengidentifikasi litologi, yang nantinya akan sangat membantu dalam
proses prediksi parameter petrofisik batupasir yang nantinya akan meningkatkan resolusi lateral
irisan penampang parameter petrofisik dalam mendeteksi channel turbidit cekungan laut dalam.
Proses pembuatan seismik inversi didahului dengan pembuatan model geologi dari data log
sumur yang dibatasi oleh empat horison yang telah diinterpretasi sebelumnya (Gambar.3.5).
Model geologi ini mengandung frekuensi rendah karena frekuensi tingginya telah difilter
sebelumnya, hal ini bertujuan agar model geologinya sesuai dengan data seismik yang digunakan.
Wavelet yang digunakan adalah wavelet yang telah diperoleh dari seismogram sintetik
sebelumnya.
Terdapat berbagai macam metoda seismik inversi diantaranya adalah model based, bandlimited,
dan sparse spike. Penulis memilih inversi model based, karena metode seismik inversi ini relatif
lebih sederhana dan waktu pemrosesannya yang relatif lebih singkat dibandingkan metoda yang
lain. Parameter seismik inversi model based yang digunakan dapat dilihat dalam Gambar 3.8.
Meskipun hasil yang diperoleh berfrekuensi rendah dan sangat tergantung pada model geologi
yang digunakan (Gambar.3.7).
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
24
Gambar.3.5 Model geologi berdasarkan data log 2 sumur dan 3 horison
Berdasarkan evaluasi impedansi akustik hasil seismik inversi dengan impedansi akustik dari data
log sumur yang digunakan terlihat korelasi yang cukup baik (Gambar.3.6). Korelasi impedansi
akustik pada sumur Api berkisar 83%, sedangkan pada sumur Hiu-Aman korelasinya sangat baik
yaitu 96%.
Gambar.3.6 QC hasil seismik inversi Model Based dengan data log sumur yang menunjukkan korelasi sangat bagus
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
25
Hal ini menunjukkan bahwa hasil seismik inversi dapat digunakan untuk proses selanjutnya.
Akan tetapi dari hasil seismik inversi itu sendiri terlihat masih belum mampu secara jelas dalam
mendeteksi penyebaran reservoar batupasir KR100 (Gambar.3.6). Diharapkan melalui kombinasi
seismik inversi dan data seismik lainnya dalam analisis multivariate akan dapat diperoleh hasil
yang lebih baik.
Gambar.3.7 Hasil seismik inversi Model based diposisi sumur
Gambar 3.8 Parameter inversi Model Based yang digunakan
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
26
3.3 Analisis Parameter Petrofisik Log Sumur terhadap Data Seismik
Prosedur pertama dalam analisis multivariate adalah menekstrak composite trace dari
setiap data seismik masukan dan data seismik inversi pada posisi masing-masing sumur, dan
menentukan parameter besarnya jendela analisis (Gambar.3.8). Penelitian ini menggunakan tiga
jenis data seismik yaitu seismik full-stack, seismik near-angle stack (60-190), dan seismik far-
angle stack (320- 350), serta seismik inversi model-based yang telah dihasilkan sebelumnya.
Pemilihan data seismik angle stack dikarenakan tipe batupasir KR100 adalah tipe AVO kelas 2,
dimana tipe ini bercirikan adanya perubahan polaritas dari near-offset dan far-offset, serta
mengandung nilai amplitudo yang kecil. Hal ini diketahui melalui analisi AVO yang telah
dilakukan sebelumnya. Analisis AVO tidak dijabarkan dalam thesis ini. Oleh karena itu
dharapkan melalui data seismik angle-stack akan dapat menghasilkan analisis multivariate yang
lebih komprehensif.
Gambar.3.9 Trace komposit data-data seismik dan seismik inversi pada posisi lokasi sumur
Setelah menperoleh jejak-jejak seismik dari tiap data seismik maka dapat dilakukan analisis
parameter-parameter petrofisik dari data sumur terhadap data seismik melalui crossplotting
parameter-parameter petrofisik yang tersedia di dalam data log sumur. Crossplot antara data-data
seismik dan data seismik inversi dengan parameter petrofisik dari log sumur untuk melihat
sensitivitas dari data seismik yang tersedia dalam membedakan masing-masing parameter
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
27
petrofisik log sumur dalam reservoar, seperti hubungan antara porositas terhadap data-data
seismik dan inversi (Doyen, 1998). Hal ini bertujuan juga untuk mengetahui sampai sejauh mana
data seismik dapat digunakan untuk memprediksi parameter petrofisik yang ingin dicari.
Diharapkan melalui crossplot ini dapat mengenali atribut seismik mana yang lebih cocok dalam
memprediksi parameter petrofisik yang diinginkan yang hasilnya akan divalidasi dengan data log
sumur yang ada (Gambar.3.9) (Mavko, dan Mukerji, 1998). Salah satu hasilnya terlihat pada
Gambar.3.9(iv) dimana parameter porositas neutron ternyata lebih sensitif teridentifikasi dengan
data seismik inversi, yang ditunjukkan dengan adanya korelasi yang paling baik dibandingkan
dengan data seismik lainnya.
(i) (ii)
(iii) (iv)
Gambar.3.10 Analisis parameter petrofisik data log sumur terhadap data seismik dalam analisis window KR100-KR120:
(i) log porositas vs data seismik full-stack; (ii) log porositas vs data seismik near-offset; (iii) log porositas vs data
seismik far-offset; (iv) log porositas vs data seismik inversi
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
28
3.4 Analisis Atribut Tunggal dan Multivariate (Regressi Linier Multivariate dan PNN)
Metoda ini bertujuan untuk mencari sebuah operator (dapat linier atau non-linier) yang
akan digunakan untuk memprediksi parameter petrofisik batuan yang berasal dari atribut-atribut
data seismik diluar lokasi sumur (Schultz, dkk, 1994). Analisis atribut data seismik dapat
dilakukan melalui dua macam analisis yaitu analisis atribut tunggal dan analisis multivariate.
Analisis atribut tunggal dikenal juga dengan nama bivariate geostatistics. Bivariate geostatistics
merupakan teknik multivariate yang paling sederhana yang hanya memperhitungkan hubungan
korelasi antara dua buah atribut. Hubungan korelasi ini dinyatakan dalam persamaan regresi linier
antara dua faktor. Sedangkan analisis multivariate merupakan teknik pengembangan dari
bivariate geostatistics yang telah memperhitungkan hubungan korelasi antara beberapa atribut
(lebih dari dua atribut) sekaligus. Hubungan korelasi ini juga dinyatakan dalam persamaan regresi
linier yang dinamakan analisis regresi linier multivariate. Analisis ini hanya berlaku pada
hubungan atribut yang linier saja. Sedangkan analisis yang berlaku pada hubungan non-linier
dapat diperoleh melalui analisis Probabilistic Neural Network (PNN). Sehingga untuk analisis
multivariate terdapat dua jenis yaitu analisis hubungan linier (Regressi Linier Multivariate) dan
analisis hubungan non-linier (PNN).
Penelitian ini berfokus pada perhitungan parameter Gamma Ray (GR) untuk memberikan
identifikasi litologi dan perhitungan parameter porositas neutron. Alasan pemilihan parameter GR
karena melalui data log GR dilokasi sumur, reservoar batupasir sangat mudah teridentifikasi.
Sedangkan alasan pemilihan parameter porositas neutron adalah diharapkan melalui parameter
tersebut dapat diidentifikasi kualitas dari reservoairnya yang dapat menyatakan penyebaran
batupasir turbiditnya.
3.4.1 Perhitungan Parameter Gamma Ray (Identifikasi Litologi)
3.4.1a Analisis Atribut Tunggal (Bivariate Geostatistics)
Perhitungan parameter GR dilakukan setelah men-ekstrak seluruh jejak-jejak seismik dari
data-data seismik dan inversi yang ada pada lokasi sumur. Pertama-tama dilakukan analisis
dengan menggunakan analisis atribut tunggal terlebih dahulu. Hasil korelasi antar atribut dan
parameter GR dapat terlihat pada tabel dibawah (Tabel 3.1). Terdapat lebih dari 100 kombinasi
korelasi antara parameter GR dan atribut yang tersedia dalam modul HR. Pada tabel terdiri atas
empat buah kolom dimana kolom pertama dan kedua menunjukkan jenis parameter atribut yang
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
29
digunakan dalam korelasi, sedangkan kolom ketiga menunjukkan jumlah titik error yang terjadi
dalam korelasi dan kolom keempat menunjukkan tingkat korelasinya. Semakin rendah error yang
terjadi dan semakin tinggi tingkat korelasinya maka kedua atribut yang dikorelasikan semakin
menunjukkan korelasi yang baik sehingga dapat diperoleh operator statistik yang semakin baik
dalam memprediksi parameter petrofisik yang diinginkan. Dalam Tabel 3.1 terlihat korelasi
antara parameter GR dan atribut amplitudo integral dari data seismik far-offset menunjukkan
korelasi yang mempunyai nilai error terendah. Korelasi tersebut dapat dilihat dalam crossplot
antara kedua parameter tersebut (Gambar.3.10). Melalui crossplot tersebut terlihat hubungan
parameter GR dari kedua sumur dengan atribut amplitudo integral dari data seismik far-offset
(nilai korelasinya sekitar 26%).
Tabel.3.1 Tabel korelasi statistik atribut tunggal terhadap parameter GR
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
30
Gambar.3.11 Crossplot salah satu atribut tunggal terhadap nilai parameter GR dalam jendela analisis
Hasil korelasi tersebut dapat juga diaplikasikan menjadi data “log GR” baru, yang dapat
dibandingkan dengan data log GR sumur (Gambar.3.11).
Gambar.3.12 Hasil aplikasi nilai GR hasil prediksi atribut tunggal dibandingkan dengan nilai GR log dilokasi sumur
3.4.1b Analisis Regresi Linier Multivariate
Selanjutnya dapat dilakukan analisis multivariate regresi linier multivariate. Analisis ini
akan mekorelasikan lebih dari dua buat atribut. Pertama-tama akan dilakukan analisis penentuan
jumlah atribut yang akan digunakan dalam korelasi. Berapa banyak kombinasi atribut yang akan
digunakan sehingga akan diperoleh hasil korelasi yang optimal. Perhitungan nilai beban atribut
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
31
(weighted attributes) digunakan untuk melihat jumlah atribut yang dapat dikombinasikan secara
optimal. Hasilnya dapat terlihat melalui crossplot antara jumlah atribut dan error rata-rata yang
akan dihasilkan dari kombinasi tersebut (Gambar.3.12). Kurva berwarna hitam menunjukkan
error rata-rata dari semua data sumur yang digunakan secara teoritis (dinamakan pelatihan data).
Secara teori apabila disemakin banyak jumlah data sumur yang digunakan maka akan dihasilkan
nilai rata-rata error yang semakin kecil. Akan tetapi apabila korelasi tersebut divalidasi dengan
data sumur yang tersedia atau dinamakan juga cross-validation, maka akan terbentuk kurva yang
berwarna merah. Pada kurva tersebut terlihat bahwa mulai jumlah kombinasi empat atribut,
terlihat error rata-rata korelasinya akan semakin naik. Hal ini menunjukkan bahwa untuk
memperoleh kombinasi yang optimal seharusnya hanya menggunakan kombinasi tiga buah
atribut. Apabila menggunakan kombinasi lebih dari tiga buah atribut maka akan terjadi yang
dinamakan overtraining, dimana hasilnya akan semakin meningkat error rata-ratanya. Hasil
korelasi dan nilai error-nya dari data pelatihan dan nilai error hasil validasi dengan data sumur
dapat terlihat pada Tabel 3.2, yang juga menunjukkan jumlah atribut yang dikombinasikan.
Gambar.3.13 Analisis penentuan jumlah kombinasi atribut yang akan digunakan
Tabel.3.2 Tabel korelasi statistik multivariate regresi linier multivariate
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
32
Hasil korelasi dari multivariate juga dapat dilihat melalui crossplot antara data log GR sumur
dengan data parameter GR hasil prediksi melalui korelasi tersebut (Gambar.3.13).
Gambar.3.14 Crossplot validasi nilai GR hasil prediksi terhadap nilai GR log sumur
Demikian juga dengan validasi terhadap data log sumur melalui perbandingan antara data “log
GR” baru hasil analisis multivariate dengan data log GR sumur sebenarnya (Gambar.3.14).
Gambar.3.15 Hasil aplikasi nilai GR hasil prediksi multivariate regresi linier dibandingkan dengan nilai GR log
dilokasi sumur
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
33
3.4.1c Analisis Probabilistic Neural Network (PNN)
Gambar.3.16 Hasil aplikasi nilai GR hasil prediksi PNN dibandingkan dengan nilai GR log dilokasi sumur
Berdasarkan data hasil pelatihan analisis multivariate sebelumnya yang digunakan sebagai acuan
kombinasi atribut manakah yang akan menghasilkan korelasi yang paling optimum, dapat
dilakukan analisis hubungan non-linier melalui metoda neural network. Dari hubungan linier
pada analisis multivariate sebelumnya, dapat dilakukan hubungan non-linier yang otomatis akan
meningkatkan nilai korelasinya. Maka melalui metoda neural network, titik-titik data dilatih
untuk memperoleh nilai korelasi yang tertinggi dengan nilai rata-rata error terkecil. Hasil dari
PNN dapat terlihat dari data “log GR” baru hasil analisis PNN dibandingkan dengan data log GR
sumur sebenarnya. Terlihat data “log GR” yang baru sangat mirip dengan data log GR sumur
sebenarnya pada jendela analisisnya (Gambar.3.15). Proses ini dinamakan proses crossvalidation
terhadap data sumur sebenarnya.
3.4.2 Perhitungan Parameter Porositas (Identifikasi Kualitas Reservoar)
Parameter selanjutnya yang akan diprediksi adalah porositas. Parameter porositas menjadi
salah satu parameter yang penting dalam menganalisa penyebaran reservoar klastik, terutama
batupasir turbidit. Batupasir turbidit yang mempunyai penyebaran luas dan tipis, akan banyak
didominasi oleh batulempung sehingga akan mempengaruhi nilai porositas reservoarnya. Hal ini
berkaitan dengan penyebaran kualitas reservoar batupasirnya. Dalam hal ini akan dicari nilai
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
34
porositas neutron, bukan porositas efektif atau total. Karena data log sumur yang dipunyai adalah
hanya data porositas neutron. Jadi istilah porositas dalam log neutron adalah bukan porositas
seperti pada umumnya. Sesuai dengan prinsip kerja log neutron yang akan membaca jumlah
kandungan ion-ion H+ didalam batuan yang biasanya berasal dari boundwater didalam pori-pori
batuan baik didalam matriks batuan maupun didalam kerangka batuan itu sendiri. Maka untuk
memperoleh nilai porositas yang sebenarnya memerlukan perhitungan lebih lanjut. Tetapi dalam
penelitian ini tidak akan dibahas hal itu. Disini hanya akan diprediksi nilai porositas neutron-nya
saja dan hubungan korelasinya dengan data-data seismik dan data inversi.
Porositas neutron (yang akan selanjutnya kita sebut porositas) memiliki hubungan yang
berbanding terbalik dengan porositas total atau porositas efektif, meskipun memiliki satuan yang
sama (%). Jadi apabila porositas neutron menunjukkan nilai yang rendah, hal tersebut
menunjukkan porositas sebenarnya yang semakin besar.
3.4.2a Analisis Atribut Tunggal (Bivariate Geostatistic)
Secara garis besar proses yang digunakan sama dengan proses yang telah dilakukan dalam
menentukan parameter GR diatas. Terlihat korelasi dengan data-data seismik lebih baik
dibandingkan dengan korelasi atribut tunggal parameter GR (Tabel 3.3). Parameter porositas
dengan kuadrat data seismik inversi memberikan nilai korelasi yang cukup tinggi (53%) dengan
nilai rata-rata error-nya paling kecil (0.03). Analisis dilakukan dengan menggunakan lebih dari
200 sampel data dan berbagai kombinasi dari atribut seismik. Hasil korelasi dengan kuadrat data
seismik inversi dapat dilihat melalui crossplot antara kedua parameter atribut tersebut
(Gambar.3.16).
Jendela analisis yang digunakan dalam analisis ini adalah sama dengan jendela analisis dalam
perhitungan parameter GR.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
35
Tabel.3.3 Tabel korelasi statistik atribut tunggal terhadap parameter porositas
Gambar.3.17 Crossplot salah satu atribut tunggal terhadap nilai parameter porositas dalam jendela analisis
Hasil aplikasi nilai porositas hasil prediksi atribut tunggal dapat divalidasi melalui parameter
porositas baru yang diplot bersamaan dengan data porositas log sumur pada jendela analisis yang
telah ditentukan (Gambar.3.17). Bila memiliki korelasi yang sangat baik dan nilai rata-rata error
korelasinya rendah maka akan diperoleh kurva parameter porositas baru yang sama dengan data
porositas log sumur pada lokasi sumur.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
36
Gambar.3.18 Hasil aplikasi nilai porositas hasil prediksi atribut tunggal dibandingkan dengan log porositas dilokasi
sumur
3.4.2b Analisis Regresi Linier Multivariate
Proses yang digunakan juga sama dengan proses yang dilakukan pada penentuan
parameter GR diatas. Penentuan jumlah atribut yang dapat dikombinasikan agar dapat
memperoleh hasil prediksi yang paling optimal dapat terlihat pada kurva dibawah ini
(Gambar.3.18).
Gambar.3.19 Analisis penentuan jumlah kombinasi atribut yang akan digunakan
Dari kurva tersebut terlihat bahwa kombinasi 7 atribut akan menghasilkan korelasi yang sangat
baik dan nilai rata-rata error terkecil. Apabila memilih kombinasi 8 atribut maka analisis akan
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
37
mengalami overtraining sehingga prosesnya tidak optimal karena akan menghasilkan rata-rata
error yang kembali membesar.
Hasil kombinasi multivariate mulai dari atribut tunggal hingga tujuh buah atribut dapat
dilihat dalam tabel dibawah (Tabel 3.4). Terlihat dalam tabel tersebut bahwa atribut yang
mempunyai nilai korelasi paling baik dan nilai error pelatihan dan error validasi dengan data
sumur paling kecil adalah second derivative instantaneous amplitude. Atribut ini yang akan
digunakan sebagai atribut terakhir dalam proses korelasi kombinasi dari ketujuh atribut lainnya.
Tabel.3.4 Tabel korelasi statistik multivariate regresi linier multivariate
Crossplot parameter porositas hasil prediksi analisis multivariate dengan nilai parameter
porositas data log sumur terlihat cukup baik (nilai korelasi sekitar 73%) (Gambar.3.19). Hal ini
menunjukkan bahwa porositas hasil prediksi akan berkorelasi cukup baik sehingga akan
menghasilkan nilai rata-rata error-nya paling kecil.
Gambar.3.20 Crossplot validasi nilai porositas hasil prediksi terhadap nilai porositas dari log sumur
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
38
Aplikasi analisis diatas divalidasi dengan data log sumur, dengan membuat data “log porositas”
baru yang ditampilkan bersamaan dengan data log porositas sebenarnya (Gambar.3.20).
Gambar.3.21 Hasil aplikasi nilai porositas hasil prediksi multivariate regresi linier multivariate dibandingkan dengan
log porositas dilokasi sumur
3.4.2c Analisis Probabilistic Neural Network (PNN)
Mengacu pada analisis multivariate diatas maka akan diperoleh data pelatihan yang
berasal dari analisis multivariate yang paling optimal untuk digunakan dalam analisis PNN.
Dengan menghitung kembali nilai operator korelasinya dengan persamaan non-linier maka akan
diperoleh operator korelasi yang lebih baik. Terlihat pada validasi hasil prediksi dengan data log
sumur (Gambar.3.21) yang cukup baik.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
39
Gambar.3.22 Hasil aplikasi nilai porositas hasil prediksi multivariate PNN dibandingkan dengan log porositas
dilokasi sumur
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
40
IV. HASIL DAN PEMBAHASAN
4.1 Hasil Perhitungan Parameter Gamma Ray (GR)
Dari ketiga metoda analisis diatas dapat diterapkan ke dalam data seismik sehingga
dihasilkan volum parameter GR yang menggambarkan penyebaran nilai GR secara vertikal
maupun horisontal diseluruh daerah penelitian. Hasil analisis atribut tunggal dapat diperlihatkan
dengan penampang parameter GR diposisi sumur (Gambar.4.1). Terlihat indikasi nilai GR yang
tinggi bawah batupasir, sedangkan diharapkan nilai GR yang rendah pada posisi batupasir. Jadi
dapat disimpulkan bahwa melalui hanya analisis atribut tunggal tidak dapat terlihat dengan jelas.
Hal ini dimungkinkan karena memiliki nilai korelasi yang sangat rendah sekitar 26% sehingga
dalam memprediksi nilai GR-nya tidak tepat. Demikian pula dari data irisan melintang yang
mempunyai jendela analisis sebesar 30ms dibawah top sand dan 5 ms diatas top sand tidak dapat
menunjukkan secara jelas pola penyebaran batupasir KR100 (Gambar.4.4(i)).
Gambar.4.1 Hasil analisis atribut tunggal pada penampang GR
Hasil apikasi analisis regresi linier multivariate ditunjukkan pada penampang parameter
GR pada posisi sumur juga (Gambar.4.2). Terlihat peningkatan kualitas dibandingkan dengan
hasil analisis atribut tunggal. Pada posisi sumur diplot pita warna yang menunjukkan nilai log GR
sumur, terlihat cukup baik korelasinya dengan hasil prediksi pada penampang tersebut. Pada
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
41
kedalaman batupasir terlihat nilai GR yang rendah, hal ini sesuai dengan nilai yang diharapkan
berdasarkan nilai parameter petrofisik batupasirnya. Hanya saja diluar posisi sumur masih terlihat
banyak indikasi nilai GR yang rendah juga sehingga cukup sulit untuk melokalisasi penyebaran
batupasir KR100. Hal ini menandakan bahwa hasil analisis multivariate masih kurang memadai
dalam mengidentifikasi penyebaran batupasir KR100. Demikian pula terlihat pada irisan
penampang lintang dari jendela analisis yang sama tidak terlihat pola penyebaran batupasir
KR100 secara signifikan (Gambar.4.4(ii)).
Gambar.4.2 Hasil analisis multivariate regresi linier multivariate pada penampang GR
Hasil analisis Probabilistic Neural Network (PNN) ditujukan dengan kualitas yang
meningkat jauh dibandingkan dengan kedua analisis sebelumnya. Pada penampang parameter GR
diposisi sumur terlihat indikasi nilai GR yang rendah dan sesuai dengan karakterisasi parameter
petrofisik batupasir KR100 (Gambar.4.3). Dan terlihat pula dengan jelas penyebaran lokal secara
lateral dari batupasir tersebut. Hal ini dapat dibuktikan dengan membuat irisan melintang melalui
window yang sama dengan sebelumnya, terlihat indikasi adanya channel batupasir (Gambar
4.4(iii)). Channel tersebut berarah dari selatan menuju ke utara dengan lintasan meandering.
Dilihat proses pengendapannya sesuai dengan kondisi strukturnya yang semakin kearah utara
akan semakin rendah topografinya, sehingga kemungkinan untuk diendapkan kipas turbidit akan
berada didaerah utara. Hanya saja dari peta irisan tersebut tidak dapat teridentifikasi secara jelas
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
42
bentuk kipas turbiditnya, hal ini dikarenakan data horisonnya sangat terbatas hanya didaerah toe-
thrust dan dalam daerah yang sempit.
Gambar.4.3 Hasil analisis multivariate Probabilistik Neural Network (PNN) pada penampang GR
(i) (ii)
Gambar.4.4a Penampang irisan horison KR100+30ms dari (i) Atribut tunggal, dan (ii) Regresi Linier Multivariate
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
43
Gambar.4.4b Penampang irisan horison KR100+30ms dari probabilistic neural network (PNN)
4.2 Hasil Perhitungan Parameter Porositas Neutron
Ketiga operator hasil analisis diatas kemudian diterapkan pada data seismik yang ada sehingga
menghasilkan volum porositas pada daerah penelitian. Penerapan operator analisis atribut tunggal
terlihat pada penampang lintang pada posisi sumur (Gambar.4.5). Diatas horison KR120 atau
base-sand terlihat indikasi adanya porositas neutron yang besar (mengindikasikan penurunan
porositas batuan). Hal ini sesuai dengan log sumur dimana dibase-sand terdapat kandung shale
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
44
yang tinggi (terlihat dari karakteristik log GR-nya). Tetapi pada top sand atau badan batupasirnya
tidak terlihat indikasi adanya penurunan porositas neutron (membesarnya porositas batuan). Oleh
sebab itu dapat disimpulkan bahwa analisis hanya dengan menggunakan atribut tunggal tetap
tidak cukup untuk mendeteksi kualitas reservoarnya, meskipun mempunyai peningkatan nilai
korelasi dan penurunan nilai rata-rata error-nya dibandingkan dengan pendeteksian parameter
GR. Irisan penampang lintang pada jendela analisis 5ms diatas KR100 hingga 30ms dibawah
KR100 untuk hasil analisis atribut tunggal ternyata menghasilkan gambar penyebaran porositas
yang cukup terlihat polanya(Gambar.4.8(i)). Hal ini perlu divalidasi dengan irisan penampang
lintang analisis lainnya.
Gambar.4.5 Hasil analisis atribut tunggal pada penampang porositas
Penerapan operator analisis multivariate dapat terlihat pada penampang lintang volum
porositas pada posisi sumur (Gambar.4.6). Hasil porositas badan batupasir terlihat cukup kontras
dibandingkan dengan sekelilingnya meskipun pada kedalaman yang lebih dangkal terlihat
karakteristik yang sama. Dari tabel warna dapat diketahui bahwa didalam badan batupasir
mempunyai porositas neutron yang semakin kecil, hal ini berarti bahwa porositas batupasir
semakin besar dibandingkan dengan porositas sekelilingnya. Hal ini sesuai dengan hasil yang
diperoleh dari parameter GR dimana dalam penampang lintang parameter GR terlihat penyebaran
batupasir secara lateral hanya terdistribusi secara lokal saja. Jadi porositas batupasir yang terdapat
pada penampang lintang tersebut benar-benar mencerminkan porositas dari tubuh batupasir
tersebut. Irisan penampang lintang dalam jendela analisis yang sama dengan sebelumnya
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
45
diperlihatkan Gambar.4.8(ii). Dari irisan tersebut terlihat bahwa kualitas porositas batupasir yang
paling baik didominasi diarah selatan dari sumur Hiu Aman, sedangkan diarah utara porositas
batuannya kurang baik, meskipun dibadan meandering channel (terlihat kurang jelas pada irisan
tersebut) terdapat porositas reservoar yang cukup baik.
Gambar.4.6 Hasil analisis multivariate regresi linier multivariate pada penampang porositas
Penerapan operator analisis PNN dapat terlihat pada penampang lintang volum porositas
pada posisi sumur (Gambar.4.7). Dari penampang lintang tersebut terlihat dengan jelas bahwa
dibagian tubuh batupasir terdapat kualitas reservoar yang baik, akan tetapi penyebaran
porositasnya secara lateral sangat terbatas. Dari irisan penampang lintang pada jendela analisis
yang sama diperoleh pola penyebaran porositas batupasir turbidit (Gambar.4.8(iii)). Terlihat
seperti hasil analisis multivariate, porositas batupasirnya yang baik terkonsentrasi dibagian
selatan blok toe-thrust, sedangkan semakin mengarah ke utara porositas yang baik hanya
mengikuti badan channel-nya, yang akhirnya diendapkan dibagian paling utara dengan kualitas
reservoar yang moderat hingga bagus.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
46
Gambar.4.7 Hasil analisis probabilistic neural network (PNN) pada penampang porositas
(i) (ii)
Gambar. 4.8a Penampang irisan horison KR100+30ms dari (i) atribut tunggal, dan (ii) regresi linier multivariate
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
47
Gambar. 4.8b Penampang irisan horison KR100+30ms dari probabilistic neural network (PNN)
4.3 Prospektifitas Reservoar Batupasir Turbidit
Berdasarkan kedua hasil perhitungan parameter GR dan porositas neutron dapat
diinterpretasikan lokasi prospektifitas untuk keberadaan reservoar yang baik. Irisan penampang
lintang parameter GR hasil dari PNN merupakan yang terbaik (Gambar 4.4). Dari irisan tersebut
dapat diinterpretasikan penyebaran batupasir turbiditnya, seperti pada Gambar 4.4 yang
digambarkan dalam poligon warna biru muda. Terlihat seperti terdapat dua buah channel, yaitu
diarah utara dan selatan. Channel diarah utara dilihat dari bentuk penyebarannya terlihat seperti
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
48
kipas turbidit yang kemungkinan mempunyai sumber endapan yang berada diarah timur dari
terminal splay tersebut. Sedangkan channel diarah selatannya terlihat benar-benar seperti
meandering channel dengan sudut kelokan yang besar yang menyuplai sedimen kearah barat,
dengan kemungkinan terminal spaly dari channel tersebut berada diarah barat toe-thrust.
Sedangkan berdasarkan irisan penampang lintang parameter porositas neutron hasil PNN dapat
terlihat penyebaran porositas yang baik seperti terlihat pada Gambar 4.8, dengan interpretasi
penyebaran kualitas reservoarnya dengan poligon warna kuning. Apabila mekombinasikan antara
kedua irisan tersebut (GR dan porositas neutron) dapat disimpulkan bahwa kualitas reservoar
yang lebih baik terdapat didaerah sebelah selatan sumur Hiu-Aman. Sehingga apabila kedua
interpretasi tersebut digunakan dalam menentukan prospektifitas HC maka dapat ditentukan
kemungkinan daerah yang perlu dianalisis lebih lanjut adalah daerah bagian selatan sumur.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
49
V. KESIMPULAN DAN REKOMENDASI
5.1 Kesimpulan
1. Penelitian ini telah menggunakan berbagai macam atribut seismik untuk memprediksi
properti log sumur yaitu parameter GR dan parameter porositas neutron. Parameter GR
digunakan untuk mendeteksi perbedaan litologi sehingga dapat mendeteksi penyebaran
reservoar batupasir turbidit. Sedangkan parameter porositas neutron digunakan untuk
menidentifikasi kualitas reservoar dan penyebarannya.
2. Data-data seismik yang digunakan adalah data seismik full-stack, data seismik near-angle
stack, data seismik far-angle stack, dan data seismik inversi (model based inversion).
Berbagai data seismik digunakan bertujuan agar analisis multivariate yang digunakan
akan semakin komprehensif.
3. Dari ketiga metoda analisis tersebut dapat disimpulkan bahwa metoda PNN merupakan
metoda yang paling baik karena menghasilkan korelasi antar atribut dengan properti log
sumur yang paling baik dan mempunyai rata-rata error terkecil karena PNN
menggunakan dasar persamaan non-linier, sedangkan analisis atribut tunggal dan regresi
linier multivariate menggunakan dasar persamaan linier.
4. Pemilihan kombinasi atribut yang memadai diperoleh melalui metoda regresi stepwise
yang membangun kelompok atribut secara berurutan.
5. Pemilihan kombinasi atribut juga dilakukan berdasarkan tingkat korelasinya baik tingkat
korelasi pada pelatihan data maupun pada proses validasi, dan tingkat nilai rata-rata
errornya paling kecil.
6. Hasil analisis geostatistik diatas divalidasi dengan menghitung cross-corelation antar
parameter hasil prediksi dengan parameter log sumur pada posisi lokasi sumur.
7. Terdapat kelemahan dalam penelitian ini yaitu kurangnya data sumur yang tersedia, dan
horison pick yang sangat terbatas daerahnya (hanya diblok toe-thrust). Untuk
menjalankan analisis statistik sangat dibutuhkan sampel dalam jumlah yang banyak,
apabila hanya tergantung pada dua sumur seperti pada penelitian ini maka hasil yang
diperoleh kurang optimal. Demikian juga dengan luasnya horison yang akan membatasi
hasil interpretasi dalam daerah penelitian.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
50
5.2 Rekomendasi
1. Penambahan data-data sumur dan memperluas horison pick hingga mencapai seluruh
survey daerah penelitian akan semakin meningkatkan kualitas hasil analisis.
2. Penggunaan jenis data seismik lainnya akan semakin membantu dalam analisis, seperti
volum coherency, dan volum AVO seperti volum intercept dan gradient. Terutama volum
coherency akan sangat membantu untuk mengidentifikasi sesar-sesar dan kemungkinan
adanya channel atau kipas turbidit didaerah penelitian.
3. Dalam perhitungan porositas sebaiknya digunakan porositas efektif, oleh karena itu
dibutuhkan data log sumur porositas efektif (log PHIE).
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
51
DAFTAR PUSTAKA
Anderson, J.K., 1996, Limitations of seismic inversion for porosity and pore fluid: SEG
Expanded Abstracts, 309-312.
Bouma, A. H., 1962, Sedimentology of Some Flysch Deposits, A Graphic Approach to Facies
Interpretation: Elsevier, Amsterdam, 168.
Cooke, D.A., and Schneider, W.A,. 1983, Generalized linier inversion of reflection seismic data:
Geophysics, 48, 665-676.
Chi, C. Y., Mendel, J.M., and Hampson, D., 1984, A computationally fast aproach to maximum-
likehood deconvolution: Geophysics, 49, 550-565.
Doyen, P.M., 1988, "Porosity from seismic data: A geostatistical approach", Geophysics, 53,
1263 – 1275.
Draper, N.R., and Smith, H., 1996, Applied regression analysis: John Wiley & Sons, Inc.
Dvorkin, J., Mavko, G., and Mukerji, T., 1998, "The Rock Physics Handbook", Cambridge
University Press.
Lindseth, Roy, O., 1979, Synthetic sonic logs-A process for stratigraphic interpretation:
Geophysics, 44, 3-26.
Master, T., 1994, Signal and image processing with neural networks: John Wiley & Sons, Inc.
Master, T., 1995, Advanced algorithms for neural networks: John Wiley & Sons, Inc.
Mukerji, T., Jorstad, A., Mavko, G., and Reidar, J. G., 1998, Applying statistical rock physics
and seismic inversion to map lithofacies and pore fluid probabilities in a North Sea reservoar:
SEG Expanded Abstract 17, p.894-897.
Nichols, G., 1999, Sedimentology and Stratigraphy: Blackwell Science Ltd.
Oldenberg, D.W., Scheuer, T., and Levy, S., 1983, Recovery of the acoustic impedance from
reflection seismogram: Geophysics, 48, 1318-1337.
Schultz, P.S., Ronen, S., Hattori, M., and Corbett, C., 1993, Seismic guided estimation of log
properties, part 1, 2, and 3: The Leading Edge, 13, 305-310, 674-678, 770-776.
Specht, Donald, 1990, Probabilistic neural networks: Neural Networks, 3, 109-118.
Specht, Donald, 1991, A general regression neural network: IEEE Trans. Neural Networks, 2,
568-576.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
52
Sukmono, S., 2002, Seismic inversion and AVO analysis for reservoar characterization: Bandung
Institute Technology.
Tabachnick, B.G. and Fidell, L.S., 1989, "Using Multivariate Statistics", 2nd edition, New York,
Harper and Row.
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
53
LAMPIRAN
Regresi Linier Multivariate Menggunakan Nilai Beban Konvolusi Persamaan umum sebelumnya untuk menyatakan konvolusi regresi linier multivariate (Chi, dkk,
1983) adalah:
NN AwAwAwwL ++∗+∗+= ...22110 (1)
dimana w0 adalah konstan
Untuk penyederhanaan digunakan hanya 2 atribut dan empat nilai sampel, juga dengan tiga titik
operator yang dapat dituliskan sebagai berikut :
( ) ( ) ( )[ ]1,0,1 +−= iiii wwww (2)
Maka persamaan (1) dapat dituliskan dalam bentuk matrik :
( ) ( )( ) ( ) ( )
( ) ( ) ( )( ) ( )
( ) ( )( ) ( ) ( )
( ) ( ) ( )( ) ( ) ⎥
⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
+−+
−+−
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
+−+
−+−
+=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
24
23
22
21
22
222
222
22
14
13
12
11
11
111
111
11
0
4
3
2
1
01001010
01010010
01001010
01010010
AAAA
wwwww
wwwww
AAAA
wwwww
wwwww
w
LLLL
(3)
dapat ditulis pula :
( ) ( ) ( ) ( ) ( ) ( )⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
++
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
++
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−+=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
23
22
212
24
23
22
21
224
23
22
2
13
12
111
14
13
12
11
114
13
12
10
4
3
2
1 0
10
0
1
0
10
0
1
AAA
w
AAAA
wAAA
w
AAA
w
AAAA
wAAA
ww
LLLL
(4)
Persamaan diatas menunjukkan efek penambahan tiga titik operator yang sama persis dengan
penambahan jumlah atribut yang digunakan. Titik-titik sampel atribut yang digunakan dihitung
melalui pergeseran -1 dan +1 dari posisi titik sampel yang sebenarnya. Oleh karena itu dapat
dihitung formula least-square dari nilai bebannya :
( )( )( ) ⎥
⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡×
⎪⎪⎭
⎪⎪⎬
⎫
⎪⎪⎩
⎪⎪⎨
⎧
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+
−−
4
3
2
1
131211
14131211
141312
1
1314
121314
111213
1112
131211
14131211
141312
3
2
1
0
0
0
0
0
0
101
LLLL
AAAAAAA
AAA
AAAAAAAA
AA
AAAAAAA
AAA
www
(5)
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008
54
atau
( )( )( )
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
=⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+
−
+=
=
−=
−
==+
=+
=−
==+
=−
=−
=
∑
∑
∑
∑∑∑
∑∑∑
∑∑∑
1
4
21
4
21
1
4
21
1
3
1
21
3
1111
2
1111
4
2111
4
1
21
3
2111
4
2211
4
2111
4
2
21
3
2
1
101
ii
i
ii
i
ii
i
ii
iii
iii
iii
ii
iii
iii
iii
ii
LA
LA
LA
AAAAA
AAAAA
AAAAA
www
(6)
Aplikasi analisis..., Hary Setyabudi, FMIPA UI, 2008